Черновики технической документации на языковых моделях
Инженеры заказчика тратили часы на каждую спецификацию, хотя работа была во многом рутинной. Теперь они пишут короткую постановку, а сервис на Python разбирает её, собирает документ по нужному шаблону с помощью языковой модели и проверяет текст. Специалисту остаётся править и утверждать. От старта до запуска команда полного цикла прошла за 4 месяца, а к рабочим инструментам генерация подключается через REST API.
- срок проекта
- 4 месяца
- функциональных модулей
- 7
- этапов разработки
- 5
- ключевых технологий
- 4

02 — Контекст
Задача проекта
Исходная ситуация, ограничения и проблемы, которые должна была решить новая система.
Спецификации, технические задания и сопроводительные тексты в этой компании писали те же инженеры, что вели разработку. Задач становилось больше, документов тоже, а авторов не прибавлялось. На каждый текст уходили часы: найти требования, свериться с образцом, удержать единые термины.
Снижать планку было нельзя: неточная фраза в спецификации потом становится дефектом продукта. Набирать людей только ради оформления текстов долго. Оставался третий путь: отдать машине первый вариант документа, а проверку и утверждение закрепить за человеком.
Обычный чат с языковой моделью для этого не годился: ответ от раза к разу выходит разным. Требовался инструмент, который на одинаковых данных стабильно выдаёт документ нужного формата и качества.
Инженеры заняты текстами
Авторами были самые загруженные сотрудники, потому что предмет знают именно они. Час на оформление вычитался из проектирования и разработки, а там заменить этих людей некем.
У каждого автора свой документ
Одну и ту же задачу двое описывали по-разному: расходились разделы, подробность и термины. Общего стандарта на деле не существовало, и выравнивать тексты приходилось на ревью.
Документы тормозят всё остальное
Сбор требований и вычитка отнимали часы на один текст. При растущем потоке задач подготовка спецификаций сдвигала сроки всей прочей работы.
03 — Возможности
Что делает система
Ключевые сценарии и рабочие модули, собранные в единую систему.
Каркас для каждого типа документа
Для каждого типа описано, какие разделы обязательны, в каком они порядке, что в них должно быть и как это оформлено. Модель пишет только внутри такого каркаса, поэтому текст выходит в формате компании. Чтобы добавить новый тип, достаточно описать шаблон, ядро сервиса остаётся прежним.
Черновик из короткой постановки
На вход подаётся короткая постановка или список требований, на выходе получается структурированная спецификация. Разделы сервис выстраивает сам, формулировки доводит до нужной подробности, термины берёт принятые в компании. Специалисту остаётся править и утверждать, и работа идёт намного быстрее.
Подготовка входных требований
Слой на Python срабатывает до обращения к модели: чистит и нормализует текст, находит важные сущности и параметры, определяет, какой документ просят. Модели не приходится догадываться о контексте, поэтому результат точнее и стабильнее от запуска к запуску.
Пошаговая сборка длинного текста
Один запрос с длинным документом не справляется. Поэтому сначала модель составляет план, потом пишет разделы по одному, и каждый следующий шаг получает контекст предыдущих. Запросы на каждом шаге настроены под тип документа, так что длинный текст остаётся связным и держит структуру.
Автопроверка до показа человеку
После генерации сервис смотрит, все ли обязательные разделы на месте, едины ли термины и нет ли расхождений с исходными требованиями. Слабый фрагмент пишется заново по уточнённому запросу. Утверждает документ всё равно специалист.
Вызов через REST API
Внешняя система отправляет описание задачи и тип документа, а в ответ получает структурированный текст. Запускать генерацию можно из привычной рабочей среды, отдельное окно для этого открывать не нужно.
Сборка оформленного файла
Разделы соединяются в заданном порядке и получают нумерацию и заголовки. Результат отдаётся в формате, удобном для дальнейшей работы и согласования, поэтому переоформлять его вручную не требуется.
04 — Архитектура
Технологический стек
Технологии выбраны под нагрузку, интеграции и дальнейшее развитие продукта.
Зачем в проекте · 01 / 04
Python
На нём написан весь контур, от разбора требований до выдачи результата. Здесь самые зрелые библиотеки для обработки текста, клиенты к языковым моделям и средства для создания API, а единый язык упрощает разработку и дальнейшее сопровождение.
- Language Models
- Document Templates
05 — Процесс
Как шла разработка
Последовательность работ от исследования задачи до запуска и проверки результата.
Разбор образцов заказчика
Изучили настоящие документы компании: как устроены типовые спецификации, какие разделы обязательны, какими терминами пользуются, что считается хорошим результатом. Отсюда появились шаблоны и граница между работой сервиса и работой человека.
Первая проба генерации
В первые недели собрали простую оболочку над языковой моделью и попросили её писать спецификации по описанию. Подход себя показал, но вскрылись две проблемы: на длинных текстах рассыпалась структура, термины плавали. Они и определили устройство полной системы.
Обработка входа и цепочка запросов
На Python сделали нормализацию входа, поиск сущностей с их параметрами и распознавание вида документа. Затем выстроили порядок «план, потом разделы», настроили запросы под каждый тип и подключили шаблоны. После нескольких итераций одинаковые данные стали давать документы предсказуемого качества.
Сервисный слой и автопроверки
Добавили REST API для связи с инструментами заказчика и проверки результата: полнота разделов, единые термины, соответствие требованиям. Фрагменты с ошибками сервис переписывает сам.
Работа на живых задачах
Специалисты заказчика создавали документы по своим реальным задачам и отмечали, что получается плохо, а мы правили запросы и проверки. Спустя 4 месяца от начала проекта сервис перешёл в постоянную работу.
06 — Итог
Результаты
Что создано в рамках проекта: рабочий контур, реализованные возможности и подтверждённые факты.
- от начала работ до действующего сервиса
- 4 месяца
- от шаблонов до готового файла
- 7 блоков
- подготовка входа плюс генерация
- NLP + LLM
- вызов из инструментов заказчика
- REST API
Теперь работа над документом начинается с короткой постановки. Сервис выдаёт структурированный черновик спецификации или сопроводительного текста, специалист проверяет его и утверждает. Рутина перешла к машине, содержание осталось за людьми. Весь путь от идеи до запуска занял 4 месяца.
Главное, что дало такое устройство, это предсказуемость: единая структура и единые термины, а слабые куски отсеиваются ещё до показа специалисту. Привычные процессы менять не пришлось, генерация вызывается из уже используемых инструментов. Новый тип документа подключается шаблоном, а языковую модель можно заменить на более сильную, когда такая появится.
Детали проекта
Почему кейс без имени клиента
Закрытыми остаются имя компании, внутренние показатели и содержание документов, на которых настраивалась генерация. Инженерную сторону мы описываем открыто: устройство сервиса, выбор технологий, шаблоны и проверки.
FAQ
Вопросы о проекте
Обсудим похожий проект?
Расскажите о задачах вашего бизнеса — предложим архитектуру и оценим сроки

